Ứng dụng thuật toán particle swarm optimization cải tiến tính toán điều độ kinh tế hỗn hợp nhiệt điện
Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (1.46 MB, 57 trang )
ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH
TRƯỜNG ĐẠI HỌC BÁCH KHOA
----------------------------------
PHẠM NGỌC HIẾU
ỨNG DỤNG THUẬT TOÁN PARTICLE SWARM
OPTIMIZATION CẢI TIẾN TÍNH TỐN ĐIỀU ĐỘ
KINH TẾ HỖN HỢP NHIỆT ĐIỆN
CHUYÊN NGÀNH:
MÃ SỐ
:
THIẾT BỊ, MẠNG VÀ NHÀ MÁY ĐIỆN
60.52.51
LUẬN VĂN THẠC SĨ
TP HỒ CHÍ MINH, tháng 6 năm 2014
CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI
TRƯỜNG ĐẠI HỌC BÁCH KHOA –ĐHQG -HCM
Cán bộ hƣớng dẫn khoa học : .................................................................................
................................................................................................................................
(Ghi rõ họ, tên, học hàm, học vị và chữ ký)
Cán bộ chấm nhận xét 1 : .......................................................................................
................................................................................................................................
(Ghi rõ họ, tên, học hàm, học vị và chữ ký)
Cán bộ chấm nhận xét 2 : .......................................................................................
................................................................................................................................
(Ghi rõ họ, tên, học hàm, học vị và chữ ký)
Luận văn thạc sĩ đƣợc bảo vệ tại Trƣờng Đại học Bách Khoa, ĐHQG Tp. HCM
ngày . . . . . tháng . . . . năm . . . . .
Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:
(Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ luận văn thạc sĩ)
1. ..............................................................……………………………………….
2. ..............................................................……………………………………….
3. ..............................................................……………………………………….
4. ..............................................................……………………………………….
5. ..............................................................……………………………………….
Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trƣởng Khoa quản lý chuyên
ngành sau khi luận văn đã đƣợc sửa chữa (nếu có).
CHỦ TỊCH HỘI ĐỒNG
TRƯỞNG KHOA ĐIỆN – ĐIỆN TỬ
ĐẠI HỌC QUỐC GIA TP.HCM
CỘNG HÕA XÃ HỘI CHỦ NGHĨA VIỆT NAM
TRƯỜNG ĐẠI HỌC BÁCH KHOA
Độc lập - Tự do - Hạnh phúc
NHIỆM VỤ LUẬN VĂN THẠC SĨ
Họ tên học viên: PHẠM NGỌC HIẾU
MSHV: 12214298
Ngày, tháng, năm sinh: 27/11/1988
Nơi sinh: HẬU GIANG
Chuyên ngành: THIẾT BỊ, MẠNG VÀ NHÀ MÁY ĐIỆN
Mã số: 60.52.51
I. TÊN ĐỀ TÀI: ỨNG DỤNG THUẬT TOÁN PARTICLE SWARM OPTIMIZATION
CẢI TIẾN TÍNH TỐN ĐIỀU ĐỘ KINH TẾ HỖN HỢP NHIỆT – ĐIỆN
II. NHIỆM VỤ VÀ NỘI DUNG:Tìm hiểu bài toán điều độ kinh tế hỗn hợp nhiệt điện và áp
dụng thuật toán Improved Particle Swarm Optimization vào bài tốn trên. Đánh giá tính
hiệu quả của thuật tốn Improved Particle Swarm Optimization so với các thuật toán khác.
III. NGÀY GIAO NHIỆM VỤ : 20/01/2014
IV. NGÀY HOÀN THÀNH NHIỆM VỤ: 20/06/2014
V. CÁN BỘ HƯỚNG DẪN:TS. HUỲNH CHÂU DUY.
Tp. HCM, ngày 20 tháng 6 năm 2014.
CÁN BỘ HƯỚNG DẪN
CHỦ NHIỆM BỘ MÔN ĐÀO TẠO
(Họ tên và chữ ký)
(Họ tên và chữ ký)
TRƯỞNG KHOA ĐIỆN – ĐIỆN TỬ
(Họ tên và chữ ký)
LỜI CÁM ƠN
Em xin gửi lời cám ơn chân thành và sâu sắc đến thầy TS. Huỳnh Châu Duy, là
ngƣời trực tiếp hƣớng dẫn, nhiệt tình chỉ bảo, định hƣớng nghiên cứu và luôn theo sát
nhắc nhở em trong suốt quá trình làm luận án.
Em cũng xin chân thành cám ơn đến Ban Giám Hiệu, phòng Sau Đại Học, quý thầy
cô Bộ môn Hệ Thống Điện, Khoa Điện–Điện Tử, Trƣờng đại học Bách Khoa–ĐHQGHCMđã quan tâm và tạo mọi điều kiện thuận lợi để em hoàn thành luận án này.
Xin gửi lời tri ân đến gia đình, bạn bè và tất cả những ngƣời thân u đã ln động
viên, khích lệ, giúp đỡ tơi trong q trình học tập và nghiên cứu.
TP. HCM, tháng 6 năm 2014
Tác giả
Phạm Ngọc Hiếu
TÓM TẮT LUẬN VĂN
Luận án này đề xuất giải thuật Improved Particle Swarm Optimization (IPSO) tính
tốn điều độ kinh tế hỗn hợp nhiệt điện (CHPED). Thuật toán IPSO đƣợc phát triển dựa trên
cơ sở thuật toán Particle Swarm Optimization (PSO) dùng pseudo-gradient tăng cƣờng thêm
hệ số co nhằm giúp tăng tốc trong q trình hội tụ. Mục đích của pseudo-gradient là hƣớng
các phần tử di chuyển đến điểm tốt hơn để chúng có thể nhanh chóng đạt đến sự hội tụ. IPSO
đƣợc thử nghiệm trên các hệ thống khác nhau và so sánh với các phƣơng pháp khác
(Lagrangian relaxation, the genetic algorithm, the improved ant colony search algorithm, ...).
Kết quả thử nghiệm cho thấy IPSO đƣợc đề xuất là tốt so với các phƣơng pháp khác do tổng
chi phí thấp hơn và thời gian tính tốn nhanh hơn, đặc biệt là điều độ kinh tế hỗn hợp nhiệt
điện cho hệ thống lớn.
Nội dung chính của luận án sẽ đƣợc trình bày nhƣ sau:
-
Chương 1: Giới thiệu chung. Giới thiệu về bài toán điều độ tối ƣu hỗn hợp nhiệt
và điện trong hệ thống điện, mục tiêu của đề tài, tầm quan trọng của việc tìm ra lời
giải bài tốn này và phạm vi nghiên cứu của luận văn.
-
Chương 2: Tổng quan. Trình bài tổng quan về mục tiêu của bài toán CHPED và
một số phƣơng pháp giải tiêu biểu trƣớc đây cho bài toán CHPED.
-
Chương 3: Phát biểu bài toán.Xây dựng hàm mục tiêu và các ràng buộc của bài
toán điều độ kinh tế hỗn hợp nhiệt và điện.
-
Chương 4: Phương pháp luận giải quyết bài toán.Giới thiệu về IPSO và áp dụng
thuật toán IPSO vào bài toán điều độ kinh tế hỗn hợp nhiệt và điện.
-
Chương 5: Kết quả tính tốn. Trình bài kết quả bài tốn CHPED bằng thuật toán
Improved Particle Swam Optimization đƣợc viết bằng Matlab cho:
+ Bài toán với hệ thống 4 máy phát bỏ qua tổn thất và các ràng buộc khác. Bài
toán đƣợc giải với nhiều phụ tải khác nhau.
+ Bài toán với hệ thống 5 máy phát bỏ qua tổn thất và các ràng buộc khác.
+ Bài toán với hệ thống 5 máy phát bỏ qua tổn thất và các ràng buộc khác. Bài
toán đƣợc giải với nhiều phụ tải khác nhau.
+ Bài toán với hệ thống 6 máy phát bỏ qua tổn thất và các ràng buộc khác. Bài
toán đƣợc giải với nhiều phụ tải khác nhau.
-
Chương 6: Tổng kết và hướng nghiên cứu. Trình bài kết luậnvề kết quả thu đƣợc
bằng phƣơng pháp IPSO, từ đó đề xuất hƣớng nghiên cứu tiếp theo.
ABSTRACT
This thesis proposes an Improved Particle Swarm Optimization (IPSO) for the
Combined Heat and Power Economic Dispatch problem (CHPED). The IPSO here is the
Particle Swarm Optimization (PSO) with constriction factor enhanced by the pseudo-gradient
for speeding up its convergence process. The purpose of the pseudo-gradient is to guide the
movement of particles in positive direction sothat they can quickly move to the optimization.
The proposed IPSO has been tested on various systems and compared to Lagrangian
relaxation, the genetic algorithm, the improved ant colony search algorithm, ... Test results
indicate that the proposed IPSO is better than the other methods due to a lower total cost and
faster computational time, especially for large-scale combined heat and power economic
dispatch problems.
The main contents of the thesis will be presented as follows:
- Chapter 1: Introduction. Introduction to the problem that combined heat and power
economic dispatch, the goal of the research, the importance of finding a solution to this
problem and the scope of the research.
- Chapter 2: Overview. An overview to the aim of the CHPED problem and
presenting some typical methods for the CHPED problem .
- Chapter 3: Addressing problem. Set an objective function and the constraints
of the combined heat and power economic dispatch.
- Chapter 4: Problem- solving methodology. Presenting the IPSO algorithm and
applying it to combined heat and power economic dispatch problem .
- Chapter 5: Results of calculation. Submitting all the results of CHPED
problem by Improved Particle Swam Optimization algorithm written in Matlab for:
+ Problem with 4 generator-system ignoring losses and other constraints.
The problems are solved with different loads.
+ Problem with 5 generator-system ignoring losses and other constraints.
+ Problem with 5 generator-system ignoring losses and other constraints.
The problems are solved with different loads.
+ Problem with 6 generator-system ignoring losses and other constraints.
The problems are solved with different loads.
- Chapter 6: Summary and research directions. Submitting the conclusion and
results obtained by means of IPSO, which suggest further research directions.
LỜI CAM ĐOAN
Tơi xin cam đoan đây là cơng trình nghiên cứu của bản thân. Các số liệu có nguồn gốc
rõ ràng, tuân thủ đúng nguyên tắc và kết quả trình bày trong luận án đƣợc thu thập đƣợc trong
quá trình nghiên cứu là trung thực, chƣa từng đƣợc ai sử dụng để cơng bố trong bất kỳ cơng
trình nào khác. Các thơng tin, tài liệu trích dẫn trong luận án đã đƣợc ghi rõ nguồn gốc.
TP. HCM, tháng 6 năm 2014
Tác giả luận án
Phạm Ngọc Hiếu
MỤC LỤC
DANH MỤC TỪ VIẾT TẮT ................................................................................................................... i
DANH MỤC KÍ HIỆU ........................................................................................................................... ii
DANH MỤC HÌNH ẢNH...................................................................................................................... iii
DANH MỤC BẢNG .............................................................................................................................. iv
CHƢƠNG 1: GIỚI THIỆU CHUNG.......................................................................................................1
1.1 TẦM QUAN TRỌNG....................................................................................................................1
1.2 MỤC TIÊU.....................................................................................................................................1
1.3 PHẠM VI NGHIÊN CỨU .............................................................................................................2
1.4 NỘI DUNG NGHIÊN CỨU ..........................................................................................................2
CHƢƠNG 2: TỔNG QUAN ....................................................................................................................3
CHƢƠNG 3: PHÁT BIỂU BÀI TOÁN ...................................................................................................4
3.1 HÀM MỤC TIÊU ..........................................................................................................................4
3.2 CÁC RÀNG BUỘC . .....................................................................................................................4
3.2.1 Ràng buộc về cân bằng công suất ...........................................................................................4
3.2.2 Ràng buộc về cân bằng nhiệt...................................................................................................4
3.2.3 Ràng buộc về giới hạn phát của máy phát ...............................................................................5
CHƢƠNG 4: PHƢƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN .......................................................6
4.1 GIỚI THIỆU THUẬT TOÁN PARTICLE SWARM OPTIMIZATION (PSO) ...........................6
4.2 KHÁI NIỆM PSEUDO-GRADIENT ............................................................................................7
4.3 THUẬT TOÁN IMPROVED PARTICLE SWARM OPTIMIZATION (IPSO) ..........................9
4.4 ÁP DỤNG PHƢƠNG PHÁP IPSO VÀO BÀI TỐN CHPED ..................................................10
CHƢƠNG 5: KẾT QUẢ TÍNH TỐN .................................................................................................14
5.1 BÀI TOÁN ĐIỀU ĐỘ KINH TẾ CHO HỆ THỐNG 4 MÁY PHÁT ( 1 MÁY PHÁT ĐIỆN, 2
MÁY PHÁT ĐỒNG PHÁT VÀ 1 MÁY PHÁT NHIỆT) BỎ QUA TỔN THẤT ............................14
5.1.1 Trƣờng hợp PD=200MW, HD=115MWth:...........................................................................15
5.1.2 Trƣờng hợp PD=175MW, HD=110MWth:...........................................................................17
5.1.3 Trƣờng hợp PD=225MW, HD=125MWth:...........................................................................19
5.2 BÀI TOÁN ĐIỀU ĐỘ KINH TẾ CHO HỆ THỐNG 5 MÁY PHÁT ( 1 MÁY PHÁT ĐIỆN, 2
MÁY PHÁT ĐỒNG PHÁT ,1 MÁY PHÁT NHIỆT VÀ 1 MÁY PHÁT TUA BIN HƠI) BỎ QUA
TỔN THẤT : ......................................................................................................................................21
5.3 BÀI TOÁN ĐIỀU ĐỘ KINH TẾ CHO HỆ THỐNG 5 MÁY PHÁT ( 1 MÁY PHÁT ĐIỆN, 3
MÁY PHÁT ĐỒNG PHÁT VÀ 1 MÁY PHÁT NHIỆT) BỎ QUA TỔN THẤT : ..........................23
5.3.1 Trƣờng hợp PD=300MW, HD=150MWth:...........................................................................25
5.3.2 Trƣờng hợp PD=250MW, HD=175MWth:...........................................................................26
5.3.3 Trƣờng hợp PD=160MW, HD=220MWth:...........................................................................28
5.4 BÀI TOÁN ĐIỀU ĐỘ KINH TẾ CHO HỆ THỐNG 6 MÁY PHÁT ( 1 MÁY PHÁT ĐIỆN, 4
MÁY PHÁT ĐỒNG PHÁT VÀ 1 MÁY PHÁT NHIỆT) BỎ QUA TỔN THẤT : ..........................29
5.4.1 Trƣờng hợp PD=500MW, HD=300MWth:...........................................................................32
5.4.2 Trƣờng hợp PD=450MW, HD=400MWth:...........................................................................35
5.4.2 Trƣờng hợp PD=250MW, HD=300MWth:...........................................................................38
CHƢƠNG 6: TỔNG KẾT VÀ HƢỚNG NGHIÊN CỨU .....................................................................41
6.1 TỔNG KẾT ĐỀ TÀI ....................................................................................................................41
6.2 HƢỚNG NGHIÊN CỨU .............................................................................................................41
DANH MỤC TỪ VIẾT TẮT
CHP: Combined Heat and Power
ED: Economic Dispatch
CHPED: Combined Heat and Power Economic Dispatch
PSO: Particle Swarm Optimization
IPSO: Improved Particle Swarm Optimization
ALHN: Augmented Lagrange Hopfield Network
CS: Cuckoo Search
EP: Evolutionary Programming
GA: Genetic Algorithm
HSA: Harmony Search Algorithm
IACSA:Improved Ant Colony Search Algorithm
IGA-MU: Improved Genetic Algorithm with Multiplier Updating
IPSO: Improved Particle Swarm Optimization
LR: Lagrangian Relaxation
LRSS-CSS: Lagrangian Relaxation with the Surrogate Subgradient using the Constant Step
Size
MADS-DACE: Mesh Adaptive Direct Search-Design and Analysis of Computer Experiments
MADS-LHS:Mesh Adaptive Direct Search- Latin Hypercube Sampling
MADS-PSO:Mesh Adaptive Direct Search-Particle Swarm Optimization
i
DANH MỤC KÍ HIỆU
[…]
: Tài liệu tham khảo
(…)
: Biểu thức tốn học
: Hàm chi phí của phát điện thuần t thứ i
( )
(
(
)
)
: Hàm chi phí của máy đồng phát thứ j
: Hàm chi phí của máy sản xuất nhiệt thuần tuý thứ k
: Nhu cầu nhiệt của hệ thống (MWth)
: Sản lƣợng nhiệt của máy đồng phát thứ j (MWth)
( )
: Nhiệt đầu ra cực đại của máy đồng phát thứ j, một hàm của công suất đầu ra
(MWth)
( )
: Nhiệt đầu ra cực tiểu của máy đồng phát thứ j, một hàm của công suất đầu ra
(MWth)
: Sản lƣợng nhiệt của máy sản xuất nhiệt thuần tuý thứ k (MWth)
: Đầu ra cực đại của máy sản xuất nhiệt thuần tuý thứ k (MWth)
: Đầu ra cực tiểu của máy sản xuất nhiệt thuần tuý thứ k (MWth)
: Số máy đồng phát
: Số máy sản xuất nhiệt thuần tuý
: Số máy sản xuất điện thuần tuý
: Nhu cầu công suất của hệ thống (MW)
: Công suất đầu ra của máy phát điện thuần tuý thứ i (MW)
: Đầu ra cực đại của máy phát điện thuần tuý thứ i (MW)
: Đầu ra cực tiểu của máy phát điện thuần tuý thứ i (MW)
: Công suất đầu ra của máy đồng phát thứ j (MW)
( )
: Công suất đầu ra cực đại của máy đồng phát thứ j, một hàm của sản lƣợng
nhiệt (MW)
( )
: Công suất đầu ra cực tiểu của máy đồng phát thứ j, một hàm của sản lƣợng
nhiệt (MW)
ii
DANH MỤC HÌNH ẢNH
Hình 3.1 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát ........................................ 5
Hình 4.1 Lƣu đồ giải thuật của thuật tốn IPSO ...................................................................... 13
Hình 5.1 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 2 ................................... 14
Hình 5.2 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 3 ................................... 15
Hình 5.3 Kết quả tốt nhất khi chạy 50 lần bằng IPSO cho hệ thống 4 máy phát. .................... 15
Hình 5.4 Kết quả tốt nhất khi chạy 50 lần bằng IPSO cho hệ thống 4 máy phát. .................... 17
Hình 5.5 Kết quả tốt nhất khi chạy 50 lần bằng IPSO cho hệ thống 4 máy phát. .................... 19
Hình 5.6 Kết quả tốt nhất khi chạy 50 lần bằng IPSO cho hệ thống 5 máy phát. .................... 21
Hình 5.7 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 2. .................................. 23
Hình 5.8 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 3. .................................. 24
Hình 5.9 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 4. .................................. 24
Hình 5.10 Kết quả tốt nhất khi chạy 50 lần bằng IPSO cho hệ thống 5 máy phát. .................. 25
Hình 5.11 Kết quả tốt nhất khi chạy 50 lần bằng IPSO cho hệ thống 5 máy phát ................... 26
Hình 5.12 Kết quả tốt nhất khi chạy 50 lần bằng IPSO cho hệ thống 5 máy phát. .................. 28
Hình 5.13 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 2. ................................ 23
Hình 5.14 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 3. ................................ 24
Hình 5.15 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 4. ................................ 23
Hình 5.16 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 5. ................................ 31
Hình 5.17 Kết quả tốt nhất khi chạy 50 lần bằng IPSO cho hệ thống 6 máy phát. .................. 32
Hình 5.18 Kết quả tốt nhất khi chạy 50 lần bằng PSO cho hệ thống 6 máy phát .................... 26
Hình 5.19 Kết quả tốt nhất khi chạy 50 lần bằng IPSO cho hệ thống 6 máy phát. .................. 28
Hình 5.20 Kết quả tốt nhất khi chạy 50 lần bằng PSO cho hệ thống 6 máy phát. ................... 36
Hình 5.21 Kết quả tốt nhất khi chạy 50 lần bằng IPSO cho hệ thống 6 máy phát ................... 38
Hình 5.22 Kết quả tốt nhất khi chạy 50 lần bằng PSO cho hệ thống 6 máy phát. ................... 39
iii
DANH MỤC BẢNG
Bảng 5.1 Kết quả sau 50 lần chạy bằng IPSO cho hệ thống 4 máy phát ...................... 16
Bảng 5.2 So sánh chi phí nhiên liệu chạy bằng IPSO cho hệ thống 4 máy phát...........16
Bảng 5.3 Kết quả sau 50 lần chạy bằng IPSO cho hệ thống 4 máy phát. ..................... 17
Bảng 5.4 So sánh chi phí nhiên liệu chạy bằng IPSO cho hệ thống 4 máy phát...........18
Bảng 5.5 Kết quả sau 50 lần chạy bằng IPSO cho hệ thống 4 máy phát. ..................... 19
Bảng 5.6 So sánh chi phí nhiên liệu chạy bằng IPSO cho hệ thống 4 máy phát...........20
Bảng 5.7 Kết quả sau 50 lần chạy bằng IPSO cho hệ thống 5 máy phát. ..................... 22
Bảng 5.8 So sánh chi phí nhiên liệu chạy bằng IPSO cho hệ thống 5 máy phát...........22
Bảng 5.9 Kết quả sau 50 lần chạy bằng IPSO cho hệ thống 5 máy phát. ..................... 25
Bảng 5.10 So sánh chi phí nhiên liệu chạy bằng IPSO cho hệ thống 5 máy phát.........26
Bảng 5.11 Kết quả sau 50 lần chạy bằng IPSO cho hệ thống 5 máy phát. ................... 27
Bảng 5.12 So sánh chi phí nhiên liệu chạy bằng IPSO cho hệ thống 5 máy phát.........27
Bảng 5.13 Kết quả sau 50 lần chạy bằng IPSO cho hệ thống 5 máy phát. ................... 28
Bảng 5.14 So sánh chi phí nhiên liệu chạy bằng IPSO cho hệ thống 5 máy phát.........29
Bảng 5.15 Kết quả sau 50 lần chạy bằng IPSO cho hệ thống 6 máy phát. ................... 32
Bảng 5.16 Kết quả sau 50 lần chạy bằng PSO cho hệ thống 6 máy phát...................... 27
Bảng 5.17 So sánh chi phí nhiên liệu chạy bằng IPSO cho hệ thống 6 máy phát.........27
Bảng 5.18 Kết quả sau 50 lần chạy bằng IPSO cho hệ thống 6 máy phát. ................... 35
Bảng 5.19 Kết quả sau 50 lần chạy bằng PSO cho hệ thống 6 máy phát...................... 36
Bảng 5.20 So sánh chi phí nhiên liệu chạy bằng IPSO cho hệ thống 6 máy phát.........37
Bảng 5.21 Kết quả sau 50 lần chạy bằng IPSO cho hệ thống 6 máy phát. ................... 38
Bảng 5.22 Kết quả sau 50 lần chạy bằng PSO cho hệ thống 6 máy phát...................... 39
Bảng 5.23 So sánh chi phí nhiên liệu chạy bằng IPSO cho hệ thống 6 máy phát.........40
iv
GIỚI THIỆU CHUNG
CHƯƠNG 1
CHƯƠNG 1: GIỚI THIỆU CHUNG
1.1 TẦM QUAN TRỌNG
Đồng phát (Combined Heat and Power – CHP) là cùng sản xuất ra hai loại năng lƣợng
nhiệt và điện từ cùng một nguồn phát .
Nhà máy nhiệt điện không chuyển đổi tất cả năng lƣợng nhiệt năngsang điện năng.
Bằng cách thu lại và sinh lợi từ lƣợng nhiệt bị tổn thất trong q trình trên, máy phát đồng
phát có khả năng đạt hiệu quả lên đến 80% [1] so với các nhà máy thông thƣờng chỉ đạt hiệu
suất 50% đến 60%. Điều này có nghĩa rằng nhu cầu nhiên liệu ít hơn để sản xuất ra cùng một
lƣợng năng lƣợng hữu ích so với nhà máy thơng thƣờng.
Trong cung cấp điện, CHP làm giảm sự phụ thuộc vào nguồn cung cấp năng lƣợng
truyền thống, giảm chi phí nhiên liệu, giảm đáng kể CO2 phát thải thông qua hiệu quả năng
lƣợng cao hơn, đầu tƣ hiện đại hóa cơ sở hạ tầng hƣớng tới một hệ thống năng lƣợng tiếp
theo.
Gần đây, CHP có vai trị ngày càng quan trọng trong cơng nghệ sản xuất năng lƣợng.
Phức tạp nảy sinh nếu một hoặc nhiều đơn vị sản xuất cả nhiệt và điện. Trƣờng hợp này, cả
hai nhu cầu điện năng và nhiệt năng phải đƣợc thỏa mãn. Hầu hết các máy phát đồng phát có
sự phụ thuộc lẫn nhau giữa nhiệt và điện, khả năng sản xuất nhiệt phụ thuộc vào điện đƣợc
tạo ra và ngƣợc lại. Sự phụ thuộc lẫn nhau của nhiều yêu cầu và năng lực nhiệt – điện của các
đơn vị đồng phát dẫn đến phức tạp trong việc kết hợp các đơn vị đồng phát vào vấn đề kinh
tế. Điều này cho thấy tầm quan trọng trong việc tìm ra một giải pháp tốt nhất, tối ƣu nhất.
1.2 MỤC TIÊU
Điều độ kinh tế hỗn hợp nhiệt – điện (CHPED) là vấn đề phức tạp trong việc kết hợp
đồng phát (CHP) vào vấn đề điều độ kinh tế (Economic Dispatch -ED). Mục tiêu của CHPED
là xác định cả công suất phát điện và sản xuất nhiệt từ các đơn vị đồng phát, đồng thời thỏa
mãn ràng buộc về vùng vận hành khả thi nhiệt – điện của CHP để tổng chi phí vận hành nhỏ
nhất trong khi vẫn đáp ứng cả hai nhu cầu điện và nhiệt.
1
GIỚI THIỆU CHUNG
CHƯƠNG 1
1.3 PHẠM VI NGHIÊN CỨU
Căn cứ vào mục tiêu đề tài và thời gian làm luận văn, việc nghiên cứu chỉ giới hạn
trong phạm vi:
- Tìm hiểu bài toán CHPED, xác định hàm mục tiêu của bài tốn.
- Tìm hiểu thuật tốn tối ƣu bầy đàn cải tiến (Improved Particle Swarm Otimization –
IPSO), cách áp dụng vào bài toán CHPED.
- Giải quyết bài toán CHPED. Kết quả tính tốn bằng phƣơng pháp IPSO đƣợc thực
hiện dựa trên lập trình Matlab.
1.4 NỘI DUNG NGHIÊN CỨU
- Bài tốn CHPED.
- Thuật toán IPSO.
- Áp dụng thuật toán IPSO vào bài tốn CHPED.
- Qua đó có thể so sánh với những thuật toán khác đã từng áp dụng vào bài toán trên
nhằm đánh giá đƣợc tốc độ hội tụ và tính hiệu quả của phƣơng pháp IPSO.
2
TỔNG QUAN
CHƯƠNG 2
CHƯƠNG 2: TỔNG QUAN
CHP có vai trị ngày càng quan trọng trong công nghệ sản xuất năng lƣợng [2-4]. CHP
có thể cung cấp khơng chỉ điện năng mà cịn nhiệt lƣợng cho khách hàng. Mục tiêu của bài
tốn CHPED là đảm bảo hệ thống vận hành với chi phí thấp nhất mà vẫn đáp ứng yêu cầu đặt
ra cũng nhƣ thỏa mãn các ràng buộc của bài toán.
Nhiều phƣơng pháp đã đƣợc áp dụng để giải quyết vấn đề CHPED. Một khai thác mức
độ cao của sự phân chia hàm chi phí và ràng buộc đƣợc áp dụng trong [5]. Phƣơng pháp này
đƣợc chứng minh hội tụ nhanh hơn so với thủ thuật thông thƣờng dựa trên lập trình bậc hai.
Một phƣơng pháp dựa trên hàm mật độ xác suất tải hai chiều để thực hiện mô phỏng xác suất
sản xuất liên quan đến CHP đã đƣợc phát triển trong [6]. Trong phƣơng pháp này, các hàm tải
tƣơng ứng, sản xuất năng lƣợng dự kiến của các đơn vị, năng lƣợng dự trữ dự kiến, và vƣợt
dự kiến đƣợc xác định bởi tích chập của kết hợp đơn vị nhiệt – điện. Trong [7], vấn đề
CHPED đã đƣợc phân tách ra thành hai tiểu vấn đề - điều độ kinh tế nhiệt và điều độ kinh tế
điện. Ở [8], vấn đề CHPED đã đƣợc giải quyết bởi một hàm chức năng phạt cải tiến của thuật
toán di truyền (GA). Một thuật toán đàn kiến (IACSA) với phản hồi tích cực, tính tốn phân
tán, kết hợp với kỹ thuật tìm kiếm khác đã đƣợc đề xuất để giải quyết vấn đề CHPED trong
[9]. Phƣơng pháp này có ƣu điểm là phát hiện nhanh các giải pháp, tránh hội tụ sớm, và việc
tìm kiếm chấp nhận đƣợc trong giai đoạn đầu của quá trình tìm kiếm. Tuy nhiên, giải pháp thu
đƣợc bằng phƣơng pháp này thƣờng là gần tối ƣu toàn cục trong một vấn đề đơn giản cùng
với hội tụ chậm. Một lập trình tiến hóa (EP) cho vấn đề CHPED đƣợc phát triển trong [10].
Một toán tử (GA) cải thiện với nhân cập nhật (IGA-MU) cho vấn đề CHPED đã đƣợc đề xuất
trong [11]. Hệ thống lai này chỉ địi hỏi dân số kích thƣớc nhỏ nhƣng vẫn bị hội tụ chậm.
Trong [12], một thuật tốn tìm kiếm (HSA) đã đƣợc trình bày cho vấn đề CHPED. HSA có
thể có đƣợc một giải pháp gần tối ƣu chậm hội tụ do số lƣợng lớn các vòng lặp. Trong [13],
một mạng lƣới Lagrange – Hopfield tăng cƣờng (ALHN) đƣợc đề xuất giải quyết vấn đề
CHPED. Các ALHN là mạng neural Hopfield liên tục với hàm gia tố Lagrange tăng cƣờng
(LR) để làm chậm số dao động của mạng neural Hopfield trong quá trình hội tụ, dẫn đến hội
tụ nhanh. PSO là một tối ƣu tiến hóa, phát triển bởi Kennedy và Eberhart [14] Phát triển dựa
trên những quan sát hành vi xã hội của động vật nhƣ đàn chim, cá và lý thuyết bầy đàn. PSO
đã đƣợc áp dụng thành cơng trong nhiều lĩnh vực [15]. Tuy nhiên, nó có vấn đề hội tụ cục bộ.
Pseudo-gradient đƣợc đề xuất thêm vào trong PSO để khắc phục hạn chế nhƣ vậy nhằm giải
quyết vấn đề CHPED. Đây cũng là phƣơng pháp đƣợc áp dụng để giải quyết bài toán CHPED
trong luận văn này.
3
PHÁT BIỂU BÀI TOÁN
CHƯƠNG 3
CHƯƠNG 3: PHÁT BIỂU BÀI TOÁN
Mục tiêu của CHPED là xác định cả công suất phát điện và sản xuất nhiệt từ các đơn
vị đồng phát, đồng thời thỏa mãn ràng buộc về vùng vận hành khả thi nhiệt – điện của CHP
để tổng chi phí vận hành nhỏ nhất trong khi vẫn đáp ứng cả hai nhu cầu điện và nhiệt.
3.1 HÀM MỤC TIÊU
Mơ hình toán học bài toán CHPED với hàm mục tiêu là hàm tổng chi phí nhiên liệu
cùng với các ràng buộc. Bài toán đƣợc phát biểu nhƣ sau:
Xét một hệ thống có Np máy phát điện thuần tuý, Nc máy phát kết hợp điện và nhiệt,
và Nh máy phát nhiệt thuần tuý. Các máy phát phải phát điện và nhiệt sao cho tổng chi phí
nhiên liệu F là nhỏ nhất. Theo toán học, bài toán đƣợc biểu diễn nhƣ sau:
{∑
F=
( )
∑
(
)
∑
(
)}
(3.1)
Trong đó:
Fi(Pi):
Hàm chi phí nhiên liệu của máy phát điện thứ i ($/h)
Fj(Pj,Hj):
Hàm chi phí nhiên liệu của máy phát đồng phát thứ j ($/h)
Fk(Hk):
Hàm chi phí nhiên liệu của máy sản xuất nhiệt thứ i ($/h)
( )
(3.2)
(
(
)
(3.3)
)
(3.4)
3.2 CÁC RÀNG BUỘC BÀI TỐN
3.2.1 Ràng buộc về cân bằng cơng suất
Tổng cơng suất phát của các máy phát phải cân bằng với tổng phụ tải PD.
∑
∑
(3.5)
3.2.2 Ràng buộc về cân bằng nhiệt
Tổng sản lƣợng nhiệt của các máy phát phải cân bằng với tổng phụ tải HD.
∑
∑
(3.6)
4
PHÁT BIỂU BÀI TOÁN
CHƯƠNG 3
3.2.3 Ràng buộc về giới hạn phát của máy phát
, i=1,….,Np
(3.7)
( )
( ) , j=1,….,Nc
(3.8)
( )
( ) , j=1,….,Nc
(3.9)
, k=1,….,Nh
(3.10)
Với máy phát đồng phát, vùng vận hành khả thi nhiệt- điện của máy phát đƣợc cho
trong hình 3.1, đƣờng cong ranh giới ABCDEF xác định vùng vận hành khả thi này.
Hình 3.1 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát
Dọc theo đƣờng ranh giới, có một sự thoả hiệp giữa cơng suất phát và sản lƣợng nhiệt
từ máy phát. Có thể thấy đƣợc rằng, dọc theo đƣờng cong AB, máy phát đạt tới công suất đầu
ra cực đại. Trái ngƣợc lại, máy phát đạt tới sản lƣợng nhiệt cực đại dọc theo đƣờng cong CD.
Vì vậy, giới hạn cơng suất phát của máy đồng phát là hàm kết hợp của máy sản xuất nhiệt và
ngƣợc lại.
Dựa vào hình 3.1, sự phụ thuộc cơng suất phát cực đại, cực tiểu và sản lƣợng nhiệt cực
đại, cực tiểu của đồng phát đƣợc xác định nhƣ sau:
( )
{ ( )
( )
( )
{ ( )
( )
( )
{ ( )
( )
.
},
(3.11)
( )
},
},
(3.12)
(3.13)
(3.14)
5
PHƢƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN
CHƯƠNG 4
CHƯƠNG 4: PHƯƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TỐN
Với bài tốn tối ƣu đơn giản thì ta có thể tính trực tiếp hay dùng các phƣơng pháp cổ
điển. Bài toán CHPED thuộc dạng bài toán lớn, phi tuyến với nhiều ràng buộc phức tạp. Nếu
giải bằng các phƣơng pháp cổ điển thì thời gian tính tốn sẽ lâu và bài tốn có thể khơng tìm
ra kết quả. Nhiệm vụ chính của CHPED là cực tiểu chi phí nhiên liệu nên ta có thể áp dụng
các thuật tốn tối ƣu hóa để giải. Những năm gần đây, các phƣơng pháp sử dụng thuật toán tối
ƣu hóa dạng Metaheuristic cho thấy kết quả tính tốn nhanh hơn, cho lời giải tốt hơn.
Các thuật tốn nói chung đều có ƣu và khuyết điểm. Tùy theo hàm mục tiêu cùng các
ràng buộc mà các thuật tốn có ƣu điểm khác nhau. Nếu một thuật toán giải tốt bài tốn dạng
này thì chƣa chắc giải tốt bài tốn dạng khác hơn thuật tốn kia.
4.1 GIỚI THIỆU THUẬT TỐN PARTICLE SWARM OPTIMIZATION (PSO)
Thuật toán Particle Swarm Optimization (PSO) – tối ƣu bầy đàn (tạm dịch) là một
trong những thuật tốn xậy dựng dựa trên khái niệm trí tuệ bầy đàn để tìm kiếm lời giải cho
các bài tốn tối ƣu hóa trên một khơng gian tìm kiếm nào đó. PSO là một dạng của các thuật
tốn tiến hóa quần thể đã đƣợc biết đến trƣớc đây, nhƣ giải thuật di tuyền (GA), thuật toán
đàn kiến (ACO). Tuy vậy, PSO khác GA ở chỗ nó thiên về sử dụng sự tƣơng tác giữa các cá
thể trong một quần thể để khám phá khơng gian tìm kiếm. PSO là kết quả của sự mơ hình hóa
việc đàn chim bay đi tìm kiếm thức ăn, cho nên thƣờng đƣợc xếp vào loại thuật tốn có sử
dụng trí tuệ bầy đàn. PSO đƣợc giới thiệu vào năm 1995 tại một hội nghị của IEEE bởi James
Kennedy và Rusell Eberhart.
Thuật tốn có nhiều ứng dụng quan trọng trong tất cả các lĩnh vực mà ở đó địi hỏi
phải giải quyết các bài tốn tối ƣu hóa. Để hiểu rõ thuật tốn PSO, ta hãy xem ví dụ đơn giản
về q trình tìm kiếm thức ăn của một đàn chim. Khơng gian tìm kiếm thức ăn lúc này là tồn
bộ khơng gian ba chiều mà chúng ta đang sinh sống. Tại thời điểm bắt đầu tìm kiếm, cả đàn
bay theo một hƣớng nào đó, có thể là rất ngẫu nhiên. Tuy nhiên sau một thời gian tìm kiếm,
một số cá thể trong đàn tìm đƣợc nơi có thức ăn. Tùy theo số lƣợng thức ăn vừa tìm kiếm, mà
cá thể gửi tín hiệu đến các cá thể đang tìm kiếm ở vùng lân cận, tín hiệu này nhanh chóng lan
truyền trên tồn quần thể. Dựa vào thông tin nhận đƣợc, mỗi cá thể sẽ điều chỉnh hƣớng bay
và vận tốc theo hƣớng về nơi có nhiều thức ăn nhất. Cơ chế này giúp đàn chim tìm ra nơi có
nhiều thức ăn nhất trên khơng gian tìm kiếm vơ cùng rộng lớn.
6
PHƢƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN
CHƯƠNG 4
Nhƣ vậy, đàn chim đã dùng trí tuệ, kiến thức và kinh nghiệm của cả đàn để nhanh
chóng tìm ra nơi chứa thức ăn. Bây giờ chúng ta tìm hiểu làm cách nào mà một mơ hình trong
sinh hoạt nhƣ vậy có thể áp dụng trong tính tốn và tạo ra thuật tốn PSO mà chúng ta nhắc
đến. Việc mơ hình hóa này thƣờng đƣợc gọi là q trình mơ phỏng sinh học (bioinspired) mà
chúng ta thƣờng thấy trong các ngành khoa học khác. Một thuật tốn đƣợc xây dựng dựa trên
việc mơ hình hóa các q trình trong sinh học đƣợc gọi là thuật tốn mơ phỏng sinh học
(bioinspired algorithms).
Hãy xét bài tốn tối ƣu của hàm số F trong khơng gian n chiều. Mỗi vị trí trong khơng
gian là một điểm tọa độ n chiều. Hàm F là hàm mục tiêu xác định trong không gian n chiều và
nhận giá trị thực. Mục đích là tìm ra điểm cực tiểu của hàm F trong miền xác định nào đó. Ta
bắt đầu xem xét sự liên hệ giữa bài tốn tìm thức ăn với bài tốn tìm cực tiểu của hàm theo
cách nhƣ sau: Giả sử rằng số lƣợng thức ăn tại một vị trí tỉ lệ nghịch với giá trị của hàm F tại
vị trí đó. Có nghĩa là ở một vị trí mà giá trị hàm F càng nhỏ thì số lƣợng thức ăn càng lớn.
Việc tìm kiếm vùng có thức ăn nhiều nhất tƣơng tự nhƣ việc tìm ra miền chứa điểm cực tiểu
của hàm F trên không gian tìm kiếm.
Thuật tốn PSO làm việc dựa trên ứng xử xã hội của các cá thể trong nhóm. Vì vậy,
kết quả tối ƣu toàn cục do sự hiệu chỉnh quỹ đạo của các cá thể sẽ dẫn đến vị trí tốt nhất và cá
thể tối ƣu nhất trong nhóm sau mỗi lần bƣớc tính. Phƣơng pháp PSO trở nên phổ biến vì tính
đơn giản và khả năng hội tụ nhanh chóng đạt kết quả tốt.
PSO có hai vấn đề quan trọng là hƣớng tiến hóa và sự đa dạng dân số. Hƣớng tiến hóa
có hiệu quả trong tìm kiếm, hƣớng tiến hóa tốt có thể giảm bớt gánh nặng tính tốn và tăng
khả năng nhanh chóng tìm kiếm một kết quả tối ƣu (có thể cục bộ). Sự đa dạng dân số đƣợc
tăng lên, kiểu gen từ con cái khác hơn từ cha mẹ. Theo đó, một dân số rất đa dạng có thể tăng
khả năng khám phá tối ƣu toàn cục và ngăn chặn một sự hội tụ quá sớm (tối ƣu cục bộ).
4.2 KHÁI NIỆM PSEUDO-GRADIENT
Giả sử hàm mục tiêu f(x) trong bài toán tối ƣu n chiều là khác nhau, tiêu chuẩn
gradient g(x) của hàm mục tiêu f(x) đƣợc định nghĩa nhƣ là một vectơ n chiều, mà ở đó, thành
phần của nó là đạo hàm từng phần của f(x) nhƣ sau:
7
PHƢƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TỐN
CHƯƠNG 4
Gradient này ln chỉ ra tỉ lệ thay đổi lớn nhất của hàm mục tiêu tại không gian xét
đến. Tuy nhiên, những hàm mục tiêu không khả vi, thông thƣờng không áp dụng đƣợc. Vì
vậy, cần có một Gradient gần đúng cho những hàm không lồi và Pseudo-gradient là giải pháp.
Pseudo-gradient đƣợc biết đến nhƣ là một phƣơng pháp cơ bản để nghiên cứu những đối
tƣợng của các bài tốn tối ƣu khơng lồi mà hàm mục tiêu không khả vi (Pham & Jin, 1995).
Thuận lợi của phƣơng pháp Pseudo-gradient là nó có thể đƣa ra một lời giải tốt trong khoảng
không gian của bài tốn mà khơng địi hỏi hàm mục tiêu khả vi. Vì vậy, phƣơng pháp Pseudogradient phù hợp với phƣơng pháp nghiên cứu trí tuệ nhân tạo dành riêng cho giải quyết
những bài tốn khơng lồi với đa cực tiểu.
Trong bài tốn tối ƣu kích thƣớc n khơng lồi với hàm mục tiêu không khả vi f(x) với
x=[x1,x2,...,xn], pseudo-gradient gp(x) cho hàm mục tiêu đƣợc xác định nhƣ sau (Wen et
al.,2003):
Giả sử rằng: xk=[xk1,xk2,...,xkn] là một điểm trong không gian tìm kiếm của bài tốn và
nó di chuyển đến một điểm xl khác. Xét đến giá trị của hàm mục tiêu, hai điểm này có hai khả
năng xảy ra:
- Nếu f(xl)
Ở đó δ(xli) đƣợc chỉ ra là thành phần xi di chuyển từ điểm k đến điểm l đƣợc
xác định:
- Nếu f(xl) f(xk), hƣớng từ xk đến xl đƣợc xác định là hƣớng âm. Pseudo-gradient ở
điểm xl đƣợc xác định bởi:
8
PHƢƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN
CHƯƠNG 4
Trên cơ sở định nghĩa nhƣ thế, trong khoảng khơng gian tìm kiếm của hai điểm gần
nhau, pseudo-gradient cũng đƣợc xem nhƣ là một lời giải tốt cho hàm không khả vi nhƣ là
gradient thơng thƣờng. Qua đó ta thấy, nếu giá trị pseudo-gradient gp(xl)#0, thì đƣợc hiểu rằng
sẽ có một giá trị khác tốt hơn có thể đƣợc tìm thấy cho hàm mục tiêu ở lần lặp kế tiếp trên cở
sở đƣợc chỉ ra bởi pseudo-gradient gp(xl) ở điểm l. Mặt khác, kết quả tìm kiếm ở điểmnày nên
thay đổi, bởi vì khơng có sự tốt hơn cho hàm mục tiêu ở lời giải này.
4.3 THUẬT TOÁN IMPROVED PARTICLE SWARM OPTIMIZATION (IPSO)
Thuật toán IPSO đƣợc phát triển bởi TS Võ Ngọc Điều và Peter Schegner dựa trên cơ
sở thuật toán PSO dùng pseudo-gradient tăng cƣờng thêm hệ số co nhằm giúp tăng tốc trong
q trình hội tụ. Mục đích của pseudo-gradient là hƣớng các phần tử di chuyển đến điểm tốt
hơn để chúng có thể nhanh chóng đạt đến sự hội tụ.
Trong PSO với hệ số co (Clerc & Kennedy, 2002), vận tốc của các phần tử đƣợc xác
định nhƣ sau:
Trong trƣờng hợp này, hệ số φ ảnh hƣởng đến độ hội tụ của hệ thống và phải đảm bảo
lớn hơn 4. Tuy nhiên, giá trị của φ tăng thì hệ số C giảm sẽ sinh ra sự đa dạng và dẫn đến lời
giải chậm. Giá trị đặc biệt của φ thƣờng là 4.1, c1 = c2 = 2.05.
Để thực hiện pseudo-gradient trong PSO, hai điểm đƣợc xét đến tƣơng ứng là xk và xl
trong khoảng khơng gian tìm kiếm của pseudo-gradient, ở vị trí phần tử của lần lặp thứ k và
k+1 là x(k) và x(k+1). Do đó, vị trí mới cho phần tử đƣợc tính lại:
9
PHƢƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN
CHƯƠNG 4
Nếu pseudo-gradient là khác không, phần tử sẽ di chuyển đến đúng điểm và tốc độ di
chuyển đến điểm tối ƣu trong không gian tìm kiếm đƣợc tăng tốc. Ngƣợc lại, vị trí của phần
tử sẽ đƣợc cập nhật lại.
Thực tế, phƣơng pháp IPSO cũng là theo phƣơng pháp PSO nhƣng nhờ pseudogradient nên những phần tử di chuyển đến đúng hƣớng chỉ định, vận tốc của chúng đƣợc tăng
cƣờng bởi pseudo-gradient, vì vậy chúng có thể di chuyển nhanh đến điểm hội tụ. Do đó,
IPSO tốt hơn phƣơng pháp PSO thơng thƣờng trong giải quyết bài toán tối ƣu.
4.4 ÁP DỤNG PHƯƠNG PHÁP IPSO VÀO BÀI TỐN CHPED
Thuật tốn IPSO cho bài toán CHPED đƣợc thực hiện nhƣ sau:
Bƣớc 1: Khai báo
- Số lƣợng các máy phát thuần nhiệt, điện và đồng phát nhiệt-điện: Nh, Np, Nc.
- Các hệ số hàm chi phí cho từng máy phát: ai, bi, ci,..., aj, bj, cj, dj, ej, fj, ak, bk, ck, ..
- Giới hạn của các máy phát: Pimin, Pimax, Pjmin, Pjmax, Hjmin, Hjmax, Hkmin,
Hkmax.
- Số lƣợng phần tử (Nd), số lần lặp tối đa (Iter).
- Hệ số phạt Kp điện và nhiệt.
- Công suất điện và nhiệt lƣợng yêu cầu.
Bƣớc 2: Thiết lập ràng buộc
- Thiết lập các ràng buộc CHPED (ràng buộc công suất phát, giới hạn nhiệt và ràng
buộc đồng phát).
+ Ràng buộc đồng phát: Căn cứ vào vùng vận hành khả thi mà chia vùng vận
hành thành những vùng nhỏ đƣợc xác định theo giá trị nhiệt lƣợng Hj, căn cứ vào giá trị trong
từng khoảng Hj mà xác định giới hạn công suất phát Pj cực đại và cực tiểu. Đồng thời kết hợp
với sự phụ thuộc công suất phát cực đại, cực tiểu và sản lƣợng nhiệt cực đại, cực tiểu đƣợc
xác định theo biểu thức (3.11), (3.12), (3.13), (3.14).
10
PHƢƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN
CHƯƠNG 4
+ Ràng buộc công suất phát và nhiệt lƣợng: Dựa vào kết quả cực đại, cực tiểu
của Pj, Hj ở ràng buộc đồng phát kết hợp với ràng buộc tổng công suất (PD) và nhiệt lƣợng
(HD) mỗi máy để thỏa mãn yêu cầu cung cấp của nhà máy.
Pxmin = max{Pxmin, PD ∑
∑
}
Pxmax = min{Pxmax, PD ∑
∑
}
Hxmin = max{Hxmin, HD ∑
∑
}
Hxmax = max{Hxmin, HD ∑
∑
}
- Đánh giá kết quả tìm kiếm bằng hàm chất lƣợng. (Hàm chất lƣợng đƣợc xác định từ
hàm mục tiêu của bài toán cộng thêm hàm phạt của các máy phát). Hàm chất lƣợng càng bé
càng tốt.
∑ ( )
∑ (
)
∑
(
)
∑
Bƣớc 3: Giải thuật
- Thiết lập giá trị ban đầu vận tốc (vid) và vị trí (xid) cho mỗi phần tử theo biểu thức
sau:
- Khởi tạo giá trị ban đầu cho mỗi phần tử đến vị trí tốt nhất pbest.
- Ƣớc lƣợng hàm thích hợp cho vị trí mỗi phần tử.
- Khởi tạo vị trí của phần tử với hàm phù hợp nhất đến vị trí tốt nhất tồn cục gbest.
11
PHƢƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN
CHƯƠNG 4
- Khởi tạo pseudo-gradient kết hợp với mỗi phần tử
- Trong khi tiêu chuẩn điểm cuối chƣa gặp. (chƣa hết số vòng lặp Iter)
- Tính vận tốc mới cho mỗi phần tử theo biểu thức (4.6) cùng với ràng buộc:
- Cập nhật vị trí mới cho mỗi phần tử dựa trên pseudo-gradient theo biểu thức (4.7)
cùng với ràng buộc:
- Nếu giá trị phù hợp tốt hơn giá trị phù hợp trong những lần lặp trƣớc, khởi tạo vị trí
của phần tử hiện tại nhƣ là giá trị pbest mới.
- Ngƣợc lại, vị trí phần tử phù hợp với giá trị phù hợp nhất trong những lần lặp trƣớc
thì khởi tạo giá trị pbest mới.
- Chọn vị trí của phần tử phù hợp với giá trị tốt nhất của tất cả các phần tử là gbest
mới.
- Tính pseudo-gradient cho mỗi phần tử trên cơ sở hai điểm gần nhất.
- Kết thúc vòng lặp.
Gbest tốt nhất toàn cục đƣợc xem nhƣ giá trị tối ƣu nhất.
12
